اختبار كروسكال-واليس: التعريف، الصيغة، والمثال

تُمثّل المنهجية الإحصائية حجر الزاوية الذي تستند إليه البحوث العلمية المعاصرة، ولا سيما في ميادين العلوم النفسية، والسلوكية، والتربوية، والطبية؛ حيث تتطلب معالجة الظواهر الإنسانية أدوات تحليلية قادرة على استيعاب التعقيد المتأصل في البيانات المستقاة من أدوات القياس المتنوعة. وفي سياق التحليل الاستدلالي، يواجه الباحثون تحدياً منهجياً متكرراً يتمثل في اختبار الفروق بين ثلاث مجموعات مستقلة أو أكثر، وهو الموقف الذي يُعالج تقليدياً باستخدام تحليل التباين الأحادي (One-Way ANOVA). غير أن صرامة الافتراضات البارامترية—وعلى رأسها افتراض التوزيع الطبيعي وتجانس التباين—غالباً ما تصطدم بالواقع التطبيقي للبيانات السلوكية، التي تتسم في كثير من الأحيان بالالتواء، أو صغر حجم العينات، أو طبيعة القياس الترتيبية المتدرجة.

انطلاقاً من هذه الإشكالية، برزت الاختبارات اللامعلمية أو اللابارامترية (Non-parametric Tests) كبدائل متينة وأصيلة تمنح التحليل الإحصائي مرونة فائقة دون التضحية بالدقة العلمية. ويأتي اختبار كروسكال-واليس (Kruskal-Wallis H Test) في طليعة هذه الأساليب؛ إذ يُعد النظير اللامعلمي المباشر لتحليل التباين الأحادي، ومصمماً خصيصاً للتعامل مع البيانات الترتيبية أو البيانات الكمية التي تنتهك شروط التوزيع السكاني السوي، عبر استبدال القيم الأصلية برتبها التسلسلية وإخضاع هذه الرتب لنموذج احتمالي رصين.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة الأبعاد النظرية والتطبيقية لاختبار كروسكال-واليس، بدءاً من تأصيله التاريخي وافتراضاته المنهجية، مروراً بصياغته الرياضية وطرق حسابه اليدوي المتبوعة بمثال تطبيقي واقعي في بحوث العلاج النفسي، وصولاً إلى التحليلات البعدية (Post-Hoc Tests)، وحساب أحجام الأثر، وكيفية تنفيذه عبر الحزم البرمجية المتقدمة مثل SPSS و R و Python، وتوثيق نتائجه بدقة وفق معايير الجمعية الأمريكية لعلم النفس (APA).

1. مقدمة شاملة لاختبار كروسكال-واليس وطبيعته اللامعلمية

1.1 تعريف اختبار كروسكال-واليس وسياقه التاريخي

يُعرَّف اختبار كروسكال-واليس، والذي يُشار إليه رياضياً برمز H-test، بأنه اختبار استدلالي لامعلمي يُستخدم لاختبار الفرضية القائلة بأن عدة عينات مستقلة قد سُحبت من مجتمعات إحصائية متطابقة من حيث الموقع أو التوزيع التكراري. يعمل الاختبار على تحويل البيانات الخام المجمعة من جميع المجموعات إلى منظومة رتب موحدة، مما يلغي الاعتماد على المعالم البارامترية مثل المتوسط الحسابي والانحراف المعياري، ويجعل التحليل قائماً بالكامل على دراسة تباين متوسطات الرتب بين الفئات المدروسة ومقارنتها بالتباين المتوقع تحت الفرضية الصفرية.

يرجع الفضل في تأسيس هذا الاختبار الإحصائي إلى عالمي الإحصاء الأمريكيين ويليام كروسكال (William Kruskal) ودبليو ألين واليس (W. Allen Wallis)، اللذين نشرا ورقتهما البحثية التأسيسية المشتركة عام 1952 في دورية الجمعية الإحصائية الأمريكية (Journal of the American Statistical Association) بعنوان “Use of Ranks in One-Criterion Variance Analysis”. جاء تطوير الاختبار استجابةً لحاجة ملحة في الأوساط الأكاديمية والتطبيقية لتوسيع نطاق اختبار مان-ويتني (Mann-Whitney U Test)—الذي كان يقتصر على مقارنة مجموعتين اثنتين فقط—ليشمل مقارنة ثلاث مجموعات أو أكثر لمتغير تابع واحد.

تكمن الأهمية المركزية لاختبار كروسكال-واليس في كونه أداة لتحليل التباين القائم على الرتب (Rank-Based Analysis of Variance) للمجموعات المستقلة بالكامل؛ حيث يتيح للباحث اختبار ما إذا كانت الاختلافات المرصودة بين مجاميع الرتب في العينات تعكس فروقاً حقيقية ذات دلالة إحصائية في المجتمعات الأصلية، أم أنها مجرد تباينات عشوائية ناتجة عن خطأ المعاينة. والهدف الأساسي للاختبار هو تقديم حكم قطعي حول وجود فرق دال إحصائياً بين مجموعة واحدة على الأقل وبقية المجموعات، دون الحاجة لافتراض نموذج توزيعي محدد للمجتمع الأصلي.

1.2 مكانة الاختبار في الإحصاء اللامعلمي والبحوث النفسية

تتميز الاختبارات اللامعلمية بكونها “حرة التوزيع” (Distribution-Free Tests)، أي أنها لا تشترط مطابقة بيانات العينة لشكل منحنى الجرس المعتدل المميز للتوزيع الطبيعي، ولا تتطلب معرفة مسبقة بمعالم المجتمع الإحصائي (Parameters) مثل المتوسط الحسابي العام (μ) أو التباين السكاني (σ²). تكتسب هذه الميزة قيمة استثنائية في بحوث العلوم النفسية والتربوية، حيث تنطوي معظم أدوات القياس على سمات وظواهر معقدة يصعب إخضاعها بدقة لقوانين التوزيع السوي المتصل.

تعتمد القياسات النفسية بشكل واسع على أدوات تقييمية متدرجة، مثل مقاييس التقدير الذاتي، واستبيانات الشخصية، ومقاييس الاتجاهات، والسلالم التشخيصية للاضطرابات الإكلينيكية (كالاستجابات المبنية على مقياس ليكرت الخماسي أو السباعي). هذه البيانات تُصنف بالأساس على أنها بيانات ترتيبية (Ordinal Data)؛ حيث تدل الأرقام على الترتيب والترجيح النسبي للسمة المقاسة، دون أن تعكس بالضرورة مسافات متساوية رياضياً بين الدرجات المتتالية. وهنا يبرز اختبار كروسكال-واليس كأداة منهجية مثالية تحترم الطبيعة الترتيبية للأداة النفسية دون اللجوء إلى التبسيط المخل الذي يفرضه التعامل معها كبيانات فئوية متصلة.

إضافة إلى ذلك، توفر الطبيعة اللامعلمية لاختبار كروسكال-واليس مرونة منهجية عالية للأخصائيين والباحثين في علم النفس السريري والتجريبي؛ إذ تتيح لهم معالجة البيانات السلوكية التي تفشل في تلبية الشروط الإحصائية الصارمة، مثل قياس أزمنة الرجع (Reaction Times) التي تتسم بطبيعتها بالالتواء الإيجابي الحاد، أو درجات القلق والاكتئاب التي تتركز لدى عينات غير متماثلة التوزيع. يضمن هذا الاختبار للباحث السيكولوجي الوصول إلى استنتاجات استدلالية تتسم بالرصانة وقابلية التعميم داخل المجتمع المستهدف.

1.3 دواعي اختيار كروسكال-واليس بدلاً من الاختبارات المعلمية

يواجه الباحث في الممارسة العملية محطات قرارية حرجة تفرض عليه التخلي عن تحليل التباين الأحادي (ANOVA) واستبداله باختبار كروسكال-واليس لضمان دقة النتائج وسلامة القرارات الإحصائية. الداعي الأول والأكثر شيوعاً هو انتهاك فرضية التوزيع الطبيعي داخل المجموعات المقارنة؛ فإذا أظهرت اختبارات اعتدالية التوزيع—مثل اختبار شابيرو-ويلك (Shapiro-Wilk) أو كولموجوروف-سميرنوف (Kolmogorov-Smirnov)—أن البيانات تنحرف بشكل جوهري عن التوزيع السوي، فإن استخدام الاختبارات المعلمية يفقدها قوتها ويجعل نتائجها مضللة وعرضة لأخطاء التقدير.

الداعي الثاني يكمن في وجود قيم شاذة ومتطرفة (Outliers) داخل بيانات المجموعات؛ فالقيم المتطرفة تؤثر تأثيراً مباشراً وعميقاً على المتوسط الحسابي والانحراف المعياري، مما يؤدي إلى تضخيم تباين الخطأ أو تشويه الفروق الحقيقية بين المجموعات في تحليل ANOVA. في المقابل، يمتلك اختبار كروسكال-واليس مناعة ذاتية ضد هذه المشكلة، نظراً لتحويل القيم إلى رتب عددية متتالية؛ فالقيمة الشاذة الكبرى تأخذ ببساطة أعلى رتبة تسلسلية (مثل الرتبة N) دون أن تؤثر قيمتها العددية المطلقة على حسابات التباين.

الداعي الثالث يرتبط بـ مستوى قياس المتغير التابع؛ فعندما يكون المتغير ترتيبياً بطبيعته—كمستويات الرضا، ومراحل تطور المرض، ودرجات التحصيل المقاسة برتب معيارية—يصبح إجراء العمليات الحسابية من جمع وضرب للمتوسطات أمراً غير دقيق من الناحية الإبستمولوجية للقياس. أما الداعي الرابع فيتمثل في صغر حجم العينات (مثل العينات الإكلينيكية النادرة التي يتراوح عدد أفرادها بين 4 إلى 10 مشاركين في كل مجموعة)؛ إذ يستحيل في مثل هذه الظروف التحقق الموثوق من اعتدالية التوزيع، مما يجعل الاختبار اللامعلمي هو الخيار الوحيد الذي يوفر ضمانات إحصائية مقبولة.

2. المقارنة المنهجية بين اختبار كروسكال-واليس وتحليل التباين الأحادي (ANOVA)

2.1 أوجه التشابه والاختلاف البنيوية بين الاختبارين

يشترك اختبار كروسكال-واليس وتحليل التباين الأحادي في وظيفتهما المنهجية العامة؛ فكلا الاختبارين صُمم لتقييم الفروق عبر ثلاث مجموعات مستقلة أو أكثر لمتغير تابع أحادي، مستندين إلى تصميم تجريبي أو مسحي يتضمن متغيراً مستقلاً تصنيفياً (العامل Factor) ذا مستويات متعددة. يهدف كلا النموذجين إلى حسم مسألة ما إذا كانت العينات المسحوبة تنتمي إلى نفس المجتمع الكلي أم أن هناك تأثيراً جوهرياً للمتغير المستقل يؤدي إلى تباين الاستجابات بين الفئات.

تتجلى الفروق الجوهرية في البنية الرياضية للنموذجين ونوعية المعالجة المطبقة على البيانات؛ حيث يعتمد تحليل التباين الأحادي (ANOVA) على تقسيم التباين الكلي للقيم الأصلية إلى تباين بين المجموعات (Between-Group Variance) وتباين داخل المجموعات (Within-Group Variance) باستخدام المتوسطات الحسابية ومربعات الانحرافات. في المقابل، يتجاهل اختبار كروسكال-واليس القيم الأصلية للمشاهدات، ويقوم أولاً بترتيب جميع البيانات ترتيباً تصاعدياً لمنح كل مشاهدة رتبة محددة، ثم يحلل التشتت القائم بين متوسطات رتب هذه المجموعات مقارنة بمتوسط الرتب الكلي النظري.

تختلف القوة الإحصائية (Statistical Power) بين النموذجين تبعاً لطبيعة البيانات؛ فعندما تتحقق فرضية التوزيع الطبيعي والتباين المتجانس، يكون اختبار ANOVA أكثر قوة بنسبة طفيفة من اختبار كروسكال-واليس (تبلغ الكفاءة التقاربية النسبية لكروسكال-واليس نحو 95.5% مقارنة بـ ANOVA في حالة التوزيع الطبيعي التام). لكن في حال وجود التواء في التوزيعات أو وجود قيم متطرفة حادة، تتفوق القوة الإحصائية لاختبار كروسكال-واليس تفوقاً كبيراً على اختبار ANOVA، ليصبح الأخير ضعيفاً وعاجزاً عن اكتشاف التأثيرات الحقيقية مقارنة ببديله اللامعلمي.

2.2 مقارنة المتوسطات الحسابية مقابل الرتب والوسائط

يرتكز تحليل التباين البارامتري على المتوسط الحسابي كمعلم أساسي لمركزية التوزيع، غير أن المتوسط الحسابي يتسم بالحساسية المفرطة لأي خلل في تماثل التوزيع التكراري. في المقابل، ينقل اختبار كروسكال-واليس مركز الثقل التحليلي إلى الرتب (Ranks)، والتي تترجم المواقع النسبية للبيانات بدلاً من مسافاتها الرقمية المباشرة. يُتيح هذا التحويل الرياضي للباحث التحرر من التأثير السلبي للمقاييس غير المتساوية للأدوات النفسية والسلوكية.

يتفرع تفسير نتائج اختبار كروسكال-واليس إلى مسارين رئيسيين بناءً على طبيعة التوزيعات التكرارية للمجموعات المقارنة:

• حالة التوزيعات المتشابهة شكلاً: إذا كانت أشكال التوزيعات التكرارية ودرجة تشتتها متماثلة عبر كافة المجموعات (كأن تكون جميعها ملتوية لليمين بنفس الدرجة)، فإن اختبار كروسكال-واليس يُفسَّر مباشرة كاختبار للفروق بين الوسائط الحسابية (Medians) للمجموعات. والوسيط كما هو معلوم يُعد مقياس النزعة المركزية الأكثر متانة وموثوقية في البيانات الترتيبية والملتوية.
• حالة التوزيعات المختلفة شكلاً: إذا اختلفت أشكال التوزيعات التكرارية بين المجموعات (كأن يكون أحدها ملتوياً والآخر متماثلاً)، فإن الاختبار لم يعد يقارن الوسائط، بل يُفسَّر كاختبار للفروق بين متوسطات الرتب (Mean Ranks)، أي تقييم الهيمنة العشوائية (Stochastic Dominance) لاحتمالية أن تكون درجات مجموعة معينة أعلى منهجياً من درجات مجموعة أخرى.

يمتد الأثر المنهجي لهذا التمييز إلى الاستنتاج السلوكي؛ فالاعتماد على متوسطات الرتب والوسائط يحمي الباحث النفسي من الوقوع في فخ الاستنتاجات الزائفة الناتجة عن انحرافات حادة في استجابات أفراد محدودين، مما يضمن أن تعبر النتائج عن النمط السلوكي العام للفئة وليس عن الحالات الاستثنائية الشاذة.

2.3 مقاومة القيم المتطرفة والتواء البيانات

يُمثل التواء البيانات (Skewness) والتفرطح غير النمطي (Kurtosis) تحدياً كبيراً في التحليلات البارامترية؛ حيث يؤدي الالتواء إلى دفع المتوسط الحسابي بعيداً عن المركز الحقيقي للكتلة البيانية، مما يرفع من قيمة الانحراف المعياري ويضخم خطأ التقدير المعياري في اختبار ANOVA. هذا التضخم قد يقود إلى ارتكاب خطأ من النوع الثاني (Type II Error) بعدم رفض الفرضية الصفرية رغم وجود فروق جوهرية واقعية، أو العكس عند تباين اتجاهات الالتواء مسبباً خطأ من النوع الأول (Type I Error).

تظهر المناعة الرياضية لاختبار كروسكال-واليس في قدرته على استيعاب القيم الشاذة الناتجة عن استجابات غير نمطية أو اضطرابات إكلينيكية حادة دون التأثير السلبي على دقة الاختبار. فعلى سبيل المثال، إذا كانت أعلى قيمة مسجلة على مقياس الاكتئاب في مجموعة معينة هي 60 والدرجة التي تليها 35، فإن اختبار ANOVA يتعامل مع الرقم 60 بقيمته العددية المفرطة التي تباعد بين المجموعات وتزيد التشتت؛ أما في كروسكال-واليس، فإن الرقم 60 يأخذ ببساطة الرتبة المتتالية (ولنقل الرتبة 30)، وهي نفس الرتبة التي كان سيحصل عليها لو كانت قيمته 36 فقط. وبذلك يتم كبح التأثير التدميري للقيمة المتطرفة.

لذلك، يُوصى منهجياً بتطبيق استراتيجية فحص أولي صارمة تتضمن رسم المخططات الصندوقية (Boxplots) ومخططات التوزيع التكراري، واستخراج مؤشرات الالتواء والتفرطح قبل حسم الاختيار بين ANOVA وكروسكال-واليس؛ فإذا أظهرت الفحوصات وجود التواء جوهري أو قيماً شاذة ذات دلالة، فإن الانتقال المباشر إلى اختبار كروسكال-واليس يُعد تدبيراً وقائياً لا غنى عنه لحماية الأمانة العلمية للتحليل الإحصائي.

3. الافتراضات الإحصائية والشروط الواجب توافرها لتطبيق الاختبار

3.1 مستويات القياس وطبيعة المتغيرات

يتطلب التطبيق السليم لاختبار كروسكال-واليس استيفاء متطلبات محددة تتعلق بمستويات قياس المتغيرات البحثية الخاضعة للدراسة. يجب أولاً أن يكون المتغير التابع (Dependent Variable) مقاساً على مستوى ترتيبي (Ordinal Scale) كحد أدنى، أو أن يكون متغيراً كمياً متصلاً (Continuous) أو فئوياً (Interval/Ratio) تعذر إخضاعه للتحليلات البارامترية بسبب عدم تحقق افتراض الاعتدالية. يتيح هذا الشرط ترتيب الملاحظات ترتيباً منطقياً تصاعدياً من الأصغر إلى الأكبر وتعيين رتب عددية فريدة ومحددة لكل مشاهدة دون لبس.

في المقابل، يجب أن يكون المتغير المستقل (Independent Variable) متغيراً تصنيفياً أو اسمياً (Categorical/Nominal) يتألف من مجموعتين فرعيتين مستقلتين على الأقل، ويفضل ثلاث مجموعات أو أكثر لتحقيق الجدوى الأساسية من الاختبار؛ إذ إنه في حال وجود مجموعتين اثنتين فقط، فإن النتائج الرياضية لكروسكال-واليس تتطابق رياضياً مع نتائج اختبار مان-ويتني (Mann-Whitney U Test). تشمل أمثلة المتغيرات المستقلة أنواع التدخلات العلاجية المختلفة، أو الفئات العمرية المتمايزة، أو المستويات التعليمية، أو التشخيصات الإكلينيكية المتعددة.

تستوعب هذه المنظومة القياسية طيفاً واسعاً من أدوات القياس النفسية والسلوكية، مثل مقاييس ليكرت لتقييم الاحتراق النفسي، أو درجات التقدير الإكلينيكي لأعراض القلق، أو درجات التقييم السلوكي للطلاب في البيئات المدرسية؛ مما يمنح الباحث ثقة منهجية في أن النتائج المستخرجة ترتكز على طبيعة متسقة مع خصائص أدوات القياس المستخدمة.

3.2 استقلالية الملاحظات والمجموعات البحثية

يُعد افتراض استقلالية المشاهدات (Independence of Observations) من أهم الشروط المنهجية التي لا يمكن التساهل فيها عند تطبيق اختبار كروسكال-واليس؛ إذ يقوم النموذج الرياضي للاختبار على فرضية أن كل مشارك في الدراسة ينتمي إلى مجموعة واحدة فقط من مجموعات المتغير المستقل، وأن قياس المتغير التابع يتم لكل فرد لمرة واحدة دون تكرار للقياس عبر الزمن. كما يُشترط ألا يكون لأفراد أي مجموعة صلة ارتباطية أو تأثير متبادل على أفراد المجموعات الأخرى.

يتطلب استيفاء هذا الشرط تصميماً تجريبياً أو مسحياً قائماً على المعاينة العشوائية والتخصيص العشوائي المستقل للمشاركين داخل المجموعات، وضمان عدم وجود تفاعل بين أفراد العينات أثناء إجراء القياسات النفسية أو السلوكية؛ بحيث لا تؤثر استجابة أي مشارك إطلاقاً على استجابات بقية أفراد العينة في نفس المجموعة أو المجموعات المقابلة.

يجب التمييز هنا بدقة بين التصميمات التي تتطلب اختبار كروسكال-واليس والتصميمات ذات القياسات المتكررة أو العينات المترابطة؛ فإذا كان الباحث يدرس عينة واحدة تم قياس أدائها عبر ثلاث فترات زمنية متتالية (مثل: قبل العلاج، بعد العلاج، والمتابعة)، أو كان هناك مطابقة زوجية بين أفراد المجموعات (Matched Pairs)، فإن اختبار كروسكال-واليس يصبح غير صالح للاستخدام، ويتعين اللجوء إلى بديله اللامعلمي المخصص للعينات المترابطة وهو اختبار فريدمان (Friedman Test).

3.3 افتراض تشابه أشكال التوزيعات

على الرغم من أن اختبار كروسكال-واليس لا يشترط توزيعاً طبيعياً للبيانات، إلا أنه يتضمن افتراضاً مهماً يتعلق بـ تشابه شكل التوزيع التكراري (Shape of Distribution) للبيانات عبر كافة المجموعات المستقلة المقارنة. يعني هذا الافتراض أن تشتت الدرجات، ومدى التوائها، وشكل امتدادها البياني يجب أن يكون متقارباً بين المجموعات، حتى وإن كان التوزيع في مجمله ملتوياً أو غير سوي.

تكمن الأهمية الجوهرية لهذا الشرط في تحديد مستوى الاستنتاج الإحصائي؛ فعندما تتشابه أشكال التوزيعات عبر المجموعات، فإن أي اختلاف يُكتشف بواسطة الاختبار يُعزى مباشرة إلى وجود إزاحة في موقع التوزيع (Location Shift)، مما يجيز للباحث الجزم بأن الاختبار يقارن بصورة قاطعة بين الوسائط الحسابية (Medians) لتلك المجموعات. أما إذا كانت التوزيعات متباينة شكلاً—كأن يكون توزيع المجموعة الأولى ملتوياً التواءً موجباً شديداً بينما توزيع المجموعة الثانية متماثلاً وتوزيع الثالثة ملتوياً التواءً سالباً—فإن الاختبار يظل صالحاً رياضياً، غير أن تفسيره يقتصر حصراً على مقارنة متوسطات الرتب (Mean Ranks) دون إمكانية تعميم الفروق على الوسائط.

يستطيع الباحث التحقق بصرياً من هذا الافتراض من خلال رسم المدرجات التكرارية (Histograms) المتراكبة أو مقارنة المخططات الصندوقية (Boxplots) للمجموعات جنباً إلى جنب؛ حيث يتيح فحص تماثل أحجام الصناديق وأطوال ذيولها البيانية تقييم مدى التطابق الشكلي للتوزيعات واتخاذ القرار السليم في تفسير النتيجة.

4. صياغة الفرضيات الإحصائية لاختبار كروسكال-واليس

4.1 صياغة الفرضية الصفرية (Null Hypothesis – H0)

تُمثل الفرضية الصفرية، والتي يُرمز لها بالرمز H₀، الفرضية الأساسية التي ينطلق منها الباحث والتي تفترض عدم وجود أي تأثير حقيقي للمتغير المستقل على المتغير التابع الترتيبي، وتفترض أن التباينات الظاهرة بين العينات لا تتعدى كونها تقلبات عشوائية ناتجة عن المعاينة الاحتمالية. وتتخذ الصياغة المنهجية للفرضية الصفرية نمطين رئيسيين تبعاً لتحقق افتراض تشابه أشكال التوزيعات:

• الصياغة بدلالة الوسائط (في حال تشابه التوزيعات): تفترض أن وسائط المجتمعات الأصلية التي سُحبت منها المجموعات متساوية تماماً، وتُكتب رياضياً كالتالي:
  
  H₀: θ₁ = θ₂ = θ₃ = … = θₖ
  
  (حيث تمثل θ الوسيط الحسابي لكل مجموعة، و k يمثل عدد المجموعات).
• الصياغة بدلالة التوزيعات والرتب (في حال اختلاف التوزيعات): تفترض أن المجموعات المستقلة قد سُحبت من مجتمعات ذات توزيعات رتبية متطابقة، مما يعني أن متوسطات الرتب للمجموعات في المجتمع الإحصائي متساوية ولا توجد هيمنة احتمالية لمجموعة على أخرى:
  
  H₀: F₁(x) = F₂(x) = F₃(x) = … = Fₖ(x)
  
  (حيث تمثل F(x) دالة التوزيع التراكمي للرتب لكل مجتمع).

تعكس الفرضية الصفرية في البحوث النفسية حالة “غياب الأثر” للتدخل التجريبي أو غياب الفارق بين الفئات التصنيفية؛ مما يضع عبء الإثبات على البيانات التجريبية لتقديم أدلة كافية تدعو إلى رفض هذا الافتراض المبدئي لصالح الفرضية البديلة.

4.2 صياغة الفرضية البديلة (Alternative Hypothesis – H1)

تُعبر الفرضية البديلة، ويُرمز لها بالرمز H₁ أو Hₐ، عن افتراض الباحث بوجود تأثير جوهري للمتغير المستقل يُحدث تمايزاً حقيقياً في المتغير التابع الترتيبي بين فئات الدراسة. وتتسم الفرضية البديلة في اختبار كروسكال-واليس بكونها فرضية غير محددة الاتجاه كلياً (Omnibus Non-directional Hypothesis)؛ فهي لا تحدد مسبقاً أي المجموعات تتفوق على غيرها، ولا ترسم مساراً خطياً للفروق، بل تكتفي بالتقرير بوجود اختلاف ما في المنظومة التوزيعية للمجموعات.

تُصاغ الفرضية البديلة إحصائياً بأحد الأشكال الآتية:

• بدلالة الوسائط: تختلف وسيطة مجتمع واحد على الأقل عن وسيطة مجتمع آخر (أي لا تتساوى جميع الوسائط):
  
  H₁: Not all θᵢ are equal (for at least one pair i ≠ j, θᵢ ≠ θⱼ)
• بدلالة التوزيعات والهيمنة الاحتمالية: لا تنحدر العينات من مجتمعات متطابقة التوزيع، وتوجد مجموعة واحدة على الأقل تظهر ميلاً منهجياً للحصول على رتب أعلى أو أدنى مقارنة بالمجموعات الأخرى:
  
  H₁: For at least one pair of groups (i, j), P(Xᵢ > Xⱼ) ≠ 0.5

يترتب على هذه الطبيعة الشاملة وغير المحددة للفرضية البديلة ضرورة منهجية بالغة الأهمية؛ ففي حال رفض الفرضية الصفرية وثبوت الدلالة الإحصائية لقيمة اختبار كروسكال-واليس، لا يحق للباحث إطلاق استنتاجات حول تفوق مجموعة معينة على أخرى مباشرة بمجرد النظر إلى متوسطات الرتب، بل يصبح لزاماً عليه الانتقال إلى إجراء مقارنات بعدية متعددة (Post-Hoc Pairwise Comparisons) لتحديد مصادر التمايز الزوجي بدقة وموثوقية.

4.3 اعتبارات خاصة بصياغة الفرضيات في الدراسات النفسية

يتطلب العمل في الميدان السيكولوجي والإكلينيكي حساسية استثنائية عند تحويل الأسئلة النظرية والمفاهيم الكلينيكية إلى فرضيات إحصائية قابلة للاختبار التجريبي عبر اختبار كروسكال-واليس. ينبغي للباحث أن يُدرك تماماً ما يختبره هذا الإجراء اللامعلمي بدقة؛ فالخلط بين اختبار الفروق في الرتب واختبار الفروق في المتوسطات الحسابية قد يقود إلى تأويلات سيكولوجية غير دقيقة للظواهر السلوكية.

تتجلى هذه الحساسية في دراسات تقييم التدخلات العلاجية ومستويات الاضطرابات السلوكية، حيث يجب توثيق اتجاهات التباين المفترضة في خطة البحث المسبقة (Preregistration)، مع مراعاة أن دلالة كروسكال-واليس تكشف فقط عن وجود تباين عام بين المناهج العلاجية أو المجموعات التشخيصية. كما يجب على الباحث النفسي تجنب الأخطاء المفاهيمية الشائعة التي تفترض أن إثبات الفرضية البديلة يعني تلقائياً نجاح المجموعة التجريبية المستهدفة؛ فقد يعزى الاختلاف الإحصائي العام إلى تدهور درجات مجموعة ثالثة بدلاً من تحسن درجات المجموعة المستهدفة، وهو ما يُبرز القيمة الحاسمة للربط المتين بين صياغة الفرضيات وتصميم المقارنات البعدية المتخصصة.

5. الصيغة الرياضية والنموذج الحسابي لاختبار كروسكال-واليس

5.1 المعادلة الرياضية القياسية لحساب إحصاء الاختبار (H-statistic)

يقوم النموذج الرياضي لاختبار كروسكال-واليس على مقارنة مجموع الرتب الفعلي الملاحظ في كل مجموعة بالقيم المتوقعة لتلك الرتب تحت مظلة الفرضية الصفرية. وتتخذ المعادلة الرياضية القياسية لحساب إحصاء الاختبار، والذي يُرمز له بالرمز H، الصيغة العامة المعتمدة التالية:

H = [ 12 / (N × (N + 1)) ] × ∑ [ Rᵢ² / nᵢ ] – 3 × (N + 1)

تستند هذه الصيغة إلى خصائص التوزيع المنتظم المتقطع للرتب المستقلة؛ حيث يعكس الثابت الرياضي 12 / (N(N + 1)) مقلوب تباين مجموع الأعداد الصحيحة المتتالية من 1 إلى N. ومن خلال ضرب هذا المعامل في المجموع الموزون لمربعات رتب المجموعات ومطروحاً منه الحد المركزي 3(N + 1)، يتم تحويل التباينات الرتبية إلى قيمة معيارية تتقارب مع توزيع مربع كاي (Chi-Square Distribution) بدرجات حرية مساوية لعدد المجموعات ناقصاً واحداً (df = k – 1).

5.2 تفكيك مكونات المعادلة ومتغيراتها

لفهم الميكانيزم الحسابي الدقيق لاختبار كروسكال-واليس، لا بد من تفكيك الرموز والمتغيرات الإحصائية المكونة للمعادلة الرياضية:

• N (حجم العينة الكلي): يمثل إجمالي عدد المشاهدات أو أفراد العينة المشاركين في البحث عبر كافة المجموعات التجريبية والضابطة، ويُحسب بجمع أحجام المجموعات الفرعية: N = n₁ + n₂ + … + nₖ.
• k (عدد المجموعات): يمثل إجمالي عدد الفئات أو المجموعات المستقلة المقارنة المكونة للمتغير المستقل التصنيفي.
• nᵢ (حجم العينة للمجموعة i): يمثل عدد الملاحظات أو الأفراد الموجودين حصراً داخل المجموعة المستقلة التي تحمل الترتيب i (حيث يتراوح i من 1 إلى k). تجدر الإشارة إلى أن الاختبار يتعامل بكفاءة تامة مع أحجام العينات المتساوية وغير المتساوية عبر المجموعات.
• Rᵢ (مجموع الرتب للمجموعة i): يمثل حاصل جمع الرتب الفردية التي حصل عليها أفراد المجموعة i بعد إدماج جميع درجات المجموعات في مصفوفة ترتيبية واحدة وتعيين الرتب العامة لها.
• Rᵢ² / nᵢ: يمثل مربع مجموع الرتب الخاص بالمجموعة i مقسوماً على حجم تلك العينة؛ ويعمل هذا الحد الرياضي على موازنة مساهمة كل مجموعة بناءً على عدد أفرادها، مما يمنع انحياز إحصاء H للمجموعات ذات الحجم الأكبر.
• 3(N + 1): يمثل الحد الحسابي التعديلي لضبط مركزية التوزيع ليتطابق مع القيمة المتوقعة لتباين الرتب النظرية تحت صحة الفرضية الصفرية.

5.3 معادلة تصحيح الرتب المكررة أو المتساوية (Ties Correction)

في التطبيقات الواقعية، ولا سيما في مقاييس العلوم النفسية والتربوية، يتكرر حصول أكثر من مشارك على نفس الدرجة الخام تماماً، وهو ما يُعرف إحصائياً بـ الرتب المكررة أو المتساوية (Tied Ranks). في مثل هذه الحالات، يتم تخصيص متوسط الرتب التي كانت ستشغلها تلك المشاهدات للمشاركين المتطابقين. غير أن وجود هذه الدرجات المشتركة يؤدي رياضياً إلى خفض التباين الكلي لمنظومة الرتب، مما يجعل قيمة H المحسوبة بالمعادلة القياسية أقل قليلاً من قيمتها الحقيقية، وبالتالي يزيد من احتمالية الوقوع في خطأ من النوع الثاني (عدم اكتشاف الفروق الحقيقية).

لعلاج هذا الأثر، يتم حساب معامل التصحيح (Correction Factor – C) باستخدام الصيغة التالية:

C = 1 – [ ∑ (t³ – t) / (N³ – N) ]

حيث يمثل t عدد المشاهدات المتطابقة المشتركة في رتبة معينة ضمن كل مجموعة تكرار، ويشير رمز المجموع (∑) إلى جمع هذه القيم لكافة مجموعات التكرار الموجودة في البيانات. بعد استخراج معامل التصحيح C، يتم حساب قيمة H المصححة (H_corrected) من خلال قسمة قيمة H الأصلية على معامل التصحيح:

H_corrected = H / C

يكون تأثير هذا التصحيح طفيفاً للغاية إذا كان عدد الرتب المكررة محدوداً، ولكنه يصبح مؤثراً وحاسماً في زيادة القوة والدقة الإحصائية كلما ارتفعت نسبة الدرجات المتطابقة في أدوات القياس السيكولوجية.

6. خطوات التطبيق اليدوي والحساب الرياضي خطوة بخطوة

6.1 دمج البيانات وترتيبها وتعيين الرتب العامة

يبدأ الإجراء الحسابي اليدوي لاختبار كروسكال-واليس بدمج كافة البيانات والمشاهدات المستقلة للمجموعات المختلفة في مصفوفة بيانات موحدة وشاملة تضم إجمالي أفراد العينة (N). يتم تجاهل الانتماء الفئوي للمجموعات في هذه الخطوة الأولى، والتعامل مع جميع الدرجات كأنها مستقاة من مجتمع دراسي واحد.

تُرتب البيانات المدمجة ترتيباً تصاعدياً دقيقاً من أدنى قيمة عددية إلى أعلى قيمة. وتُمنح المشاهدات رتباً تسلسلية صحيحة تبدأ من الرتبة 1 للمشاهدة الأدنى، وتتدرج تصاعدياً وصولاً إلى الرتبة N للمشاهدة الأعلى في المصفوفة.

في حال وجود قيم متطابقة (Ties)، تُمنح كل قيمة متكررة متوسط الرتب التسلسلية التي كانت ستشغلها تلك المشاهدات لو كانت متمايزة. على سبيل المثال: إذا كانت هناك قيمتان متماثلتان تحتلان المركزين الخامس والسادس في الترتيب التصاعدي، فإن الرتبة المخصصة لكل منهما تُحسب بجمع المركزين وقسمتهما على اثنين: (5 + 6) / 2 = 5.5، ويستمر الترتيب للقيمة التالية بالرتبة 7 مباشرة دون تكرار للأرقام.

6.2 حساب مجاميع الرتب ومربعاتها لكل مجموعة

عقب الانتهاء من تخصيص الرتب لجميع البيانات المدمجة، تبدأ مرحلة إعادة فرز وتوزيع الرتب المعينة على مجموعاتها الأصلية؛ حيث تُفرز كل رتبة لتوضع أمام المشارك الأصلي التابع للمجموعة المحددة (سواء كانت مجموعة علاجية، أو ضابطة، إلخ).

تتضمن هذه المرحلة الخطوات الإجرائية التالية:

1. حساب مجموع الرتب (Rank Sum – Rᵢ): جمع كافة الرتب التابعة لكل مجموعة مستقلة على حدة للحصول على R₁ للمجموعة الأولى، و R₂ للمجموعة الثانية، وهكذا لكافة المجموعات حتى Rₖ.
2. التحقق المنهجي من صحة الرتب (Integrity Check): التأكد من دقة العمليات الحسابية من خلال التحقق من أن المجموع الكلي لمجاميع الرتب المخصصة لكافة المجموعات يساوي المجموع النظري لمتسلسلة الأعداد من 1 إلى N، وفق الصيغة:
   
   ∑ Rᵢ = N × (N + 1) / 2.
   
   إذا لم يتحقق هذا التساوي، فهذا مؤشر قاطع على وجود خطأ حسابي في تعيين الرتب يستوجب المراجعة.
3. حساب متوسطات الرتب (Mean Ranks): قسمة مجموع رتب كل مجموعة على حجم عينتها (Rᵢ / nᵢ) لتكوين صورة وصفية أولية عن موقع كل مجموعة في ميزان الترتيب العام.
4. تربيع مجاميع الرتب وموازنتها: تربيع مجموع رتب كل مجموعة وقسمة الناتج على حجم عينتها، أي حساب المقدار (Rᵢ² / nᵢ) لكل فئة على حدة، ثم جمع هذه المقادير لجميع المجموعات للحصول على الحد التجميعي الأساسي ∑ (Rᵢ² / nᵢ) المطلوب للتعويض في معادلة الاختبار.

6.3 استخراج قيمة H ومقارنتها بالقيمة الحرجة

تأتي بعد ذلك خطوة التعويض العددي المباشر في معادلة كروسكال-واليس؛ حيث تُدرج القيم المستخرجة (N، و nᵢ، و ∑ [Rᵢ² / nᵢ]) في المعادلة القياسية لاستخراج قيمة إحصاء الاختبار المحسوبة (H_calculated). وفي حال وجود رتب مكررة، يتم حساب معامل التصحيح C وقسمة H عليه لاستخراج القيمة المصححة النهائية.

لتحديد الدلالة الإحصائية لهذه القيمة، يتم اتباع مسار التوزيع التقاربي لمربع كاي عبر الخطوات الآتية:

• تحديد درجات الحرية (Degrees of Freedom): تُحسب درجات الحرية للاختبار بطرح واحد من إجمالي عدد المجموعات المقارنة: df = k – 1.
• استخراج القيمة الحرجة (Critical Value): يتم الرجوع إلى جدول توزيع مربع كاي (χ²) عند مستوى دلالة محدد مسبقاً (غالباً ما يكون α = 0.05 أو α = 0.01 في البحوث النفسية) وبدرجات حرية df المقابلة لاستخراج القيمة الحرجة المرجعية χ²_critical.
• قاعدة اتخاذ القرار الإحصائي (Decision Rule):
  • إذا كانت قيمة H المحسوبة أكبر من أو تساوي القيمة الحرجة المقابلة (H ≥ χ²_critical)، أو كانت القيمة الاحتمالية المقابلة لها أصغر من مستوى الدلالة (p-value ≤ α)، يُتخذ القرار بـ رفض الفرضية الصفرية (Reject H₀) وقبول الفرضية البديلة، مما يثبت وجود فروق دالة إحصائياً بين المجموعات.
  • إذا كانت قيمة H المحسوبة أقل من القيمة الحرجة (H < χ²_critical) وكانت p-value > α، يُتخذ القرار بـ الفشل في رفض الفرضية الصفرية (Fail to Reject H₀)، مما يعني عدم وجود أدلة كافية على اختلاف توزيعات المجموعات في المجتمع.

7. مثال تطبيقي عملي شامل في العلوم النفسية والسلوكية

7.1 سيناريو الدراسة: مقارنة فاعلية ثلاثة أساليب علاجية للاكتئاب

لتوضيح الإجراءات المنهجية والحسابية لاختبار كروسكال-واليس بشكل عملي متكامل، نفترض إجراء دراسة تجريبية في علم النفس الإكلينيكي تهدف إلى مقارنة فاعلية ثلاثة مسارات تدخلية في خفض حدة الأعراض لدى عينة من المرضى النفسيين المصابين بأعراض الاكتئاب الخفيف إلى المتوسط. تألفت عينة البحث من 18 مشاركاً (N = 18) تم توزيعهم عشوائياً وبشكل مستقل على ثلاث مجموعات متساوية الحجم (n₁ = n₂ = n₃ = 6):

• المجموعة الأولى (CBT): خضعت لبرنامج العلاج السلوكي المعرفي التقليدي (Cognitive Behavioral Therapy).
• المجموعة الثانية (MBCT): خضعت لبرنامج العلاج المعرفي القائم على اليقظة الذهنية (Mindfulness-Based Cognitive Therapy).
• المجموعة الثالثة (Control): مجموعة ضابطة وُضعت على قائمة الانتظار دون تلقي أي تدخل نفسي نشط (Waitlist Control Group).

تمثل المتغير التابع في درجات المشاركين على مقياس بيك للاكتئاب – الإصدار الثاني (BDI-II) بعد انقضاء 8 أسابيع من التدخل العلاجي المستمر؛ حيث تعكس الدرجات الأعلى مستويات اكتئاب أكثر حدة. وقد أسفرت عملية جمع البيانات عن تسجيل الدرجات الخام التالية للمشاركين في المجموعات الثلاث:

• مجموعة CBT (ن = 6): 11, 14, 15, 18, 20, 24
• مجموعة MBCT (ن = 6): 13, 16, 17, 19, 22, 26
• مجموعة الضابطة Control (ن = 6): 23, 25, 28, 30, 32, 35

7.2 إجراء الحسابات وتعيين الرتب واستخراج إحصاء H

لتطبيق الحسابات، نقوم بدمج درجات المشاركين الـ 18 في مصفوفة موحدة، وترتيبها تصاعدياً من الأصغر إلى الأكبر، وتعيين الرتب التسلسلية المخصصة لكل مشاهدة (مع ملاحظة عدم وجود أي رتب متطابقة في هذه البيانات، مما يجعل قيمة C = 1):

الرقم التسلسلي	الدرجة الخام (BDI-II)	المجموعة التجريبية	الرتبة الممنوحة (Rank)
1	11	CBT	1
2	13	MBCT	2
3	14	CBT	3
4	15	CBT	4
5	16	MBCT	5
6	17	MBCT	6
7	18	CBT	7
8	19	MBCT	8
9	20	CBT	9
10	22	MBCT	10
11	23	Control	11
12	24	CBT	12
13	25	Control	13
14	26	MBCT	14
15	28	Control	15
16	30	Control	16
17	32	Control	17
18	35	Control	18

نقوم الآن بفرز الرتب لكل مجموعة وحساب مجموع الرتب (Rᵢ) ومتوسط الرتب:

• مجموعة CBT:
  
  الرتب: 1, 3, 4, 7, 9, 12
  
  مجموع الرتب: R₁ = 1 + 3 + 4 + 7 + 9 + 12 = 36
  
  متوسط الرتب: Mean Rank₁ = 36 / 6 = 6.00
• مجموعة MBCT:
  
  الرتب: 2, 5, 6, 8, 10, 14
  
  مجموع الرتب: R₂ = 2 + 5 + 6 + 8 + 10 + 14 = 45
  
  متوسط الرتب: Mean Rank₂ = 45 / 6 = 7.50
• المجموعة الضابطة Control:
  
  الرتب: 11, 13, 15, 16, 17, 18
  
  مجموع الرتب: R₃ = 11 + 13 + 15 + 16 + 17 + 18 = 90
  
  متوسط الرتب: Mean Rank₃ = 90 / 6 = 15.00

نتحقق أولاً من صحة الترتيب بحساب المجموع الكلي للرتب: R₁ + R₂ + R₃ = 36 + 45 + 90 = 171.

المجموع النظري المتوقع: 18 × (18 + 1) / 2 = 18 × 19 / 2 = 171. (الحسابات صحيحة تماماً).

نقوم بحساب المقادير الموزونة لمربعات الرتب:

R₁² / n₁ = 36² / 6 = 1296 / 6 = 216.0

R₂² / n₂ = 45² / 6 = 2025 / 6 = 337.5

R₃² / n₃ = 90² / 6 = 8100 / 6 = 1350.0

المجموع التراكمي: ∑ [Rᵢ² / nᵢ] = 216.0 + 337.5 + 1350.0 = 1903.5

نعوض الآن في صيغة اختبار كروسكال-واليس القياسية:

H = [ 12 / (N × (N + 1)) ] × ∑ [ Rᵢ² / nᵢ ] – 3 × (N + 1)

H = [ 12 / (18 × 19) ] × 1903.5 – 3 × (18 + 1)

H = [ 12 / 342 ] × 1903.5 – 3 × 19

H = 0.0350877 × 1903.5 – 57

H = 66.7895 – 57 = 9.7895 (نقرب الناتج إلى: H = 9.79).

لحساب القيمة الحرجة واتخاذ القرار الإحصائي:

درجات الحرية: df = k – 1 = 3 – 1 = 2.

بالرجوع إلى جدول توزيع مربع كاي (χ²) عند مستوى دلالة α = 0.05 و df = 2، نجد أن القيمة الحرجة هي 5.991 (وعند مستوى α = 0.01 تبلغ القيمة الحرجة 9.210).

7.3 تفسير النتيجة واتخاذ القرار الإحصائي والسيكولوجي

بمقارنة القيمة المحسوبة بالقيمة الحرجة، نجد أن قيمة H المحسوبة (9.79) أكبر بكثير من القيمة الحرجة لجدول مربع كاي عند مستوى دلالة 0.05 البالغة 5.991، وكذلك أكبر من القيمة الحرجة عند مستوى 0.01 البالغة 9.210 (القيمة الاحتمالية الدقيقة p = 0.0075). وبناءً على هذه المعطيات الإحصائية الصارمة، يُتخذ القرار بـ رفض الفرضية الصفرية (Reject H₀) وقبول الفرضية البديلة.

يُشير هذا القرار الإحصائي إلى وجود فروق ذات دلالة إحصائية جوهرية بين المجموعات العلاجية الثلاث في مستويات أعراض الاكتئاب المقاسة بمقياس بيك بعد التدخل. وتكشف المعاينة الأولية لمتوسطات الرتب عن انخفاض واضح في متوسط رتب مجموعة العلاج السلوكي المعرفي (Mean Rank = 6.00) ومجموعة العلاج باليقظة الذهنية (Mean Rank = 7.50) مقارنة بالمتوسط المرتفع للمجموعة الضابطة (Mean Rank = 15.00).

من المنظور السيكولوجي والسريري، تُثبت هذه النتيجة الفاعلية الإجمالية للتدخلات النفسية النشطة في الحد من أعراض الاكتئاب مقارنة بعدم تلقي أي علاج. غير أن اختبار كروسكال-واليس بوصفه اختباراً كلياً شاملاً (Omnibus Test) يخبرنا بوجود فارق ذي دلالة إحصائية داخل المنظومة العلاجية ككل، لكنه لا يجيب بصورة قاطعة عما إذا كان هناك تفوق إحصائي حقيقي لأحد التدخلين (CBT) على التدخل الآخر (MBCT)؛ مما يفرض الانتقال الحتمي إلى تطبيق التحليلات البعدية المتخصصة لتفكيك الفروق الثنائية المحددة.

8. التحليلات البعدية والمقارنات المتعددة بعد دلالة كروسكال-واليس

8.1 ضرورة إجراء التحليل البعدي (Post-Hoc Analysis)

يمثل اختبار كروسكال-واليس أسلوباً استدلالياً عاماً يُثبت وجود تباين معنوي في مكان ما بين المجموعات دون أن يحدد بدقة أي زوج من المجموعات هو المسؤول تحديداً عن هذا التباين الإحصائي. إن الاكتفاء بنتيجة كروسكال-واليس العامة ومحاولة استنتاج الفروق بين مجموعات محددة بالاعتماد البصري المجرد على متوسطات الرتب يُعد خطأً منهجياً فادحاً يفتقر إلى السند الاستدلالي.

من جهة أخرى، لا يجوز للباحث إجراء سلسلة من المقارنات الثنائية العادية (مثل تطبيق اختبار مان-ويتني المتكرر بين كل زوج) دون تعديل مستويات الدلالة؛ إذ يؤدي تكرار الاختبارات الإحصائية على نفس البيانات إلى ظاهرة تضخم معدل الخطأ العائلي من النوع الأول (Family-wise Error Rate – FWER)، والتي تجعل احتمال الحصول على نتيجة إيجابية زائفة (اكتشاف فروق وهمية لا وجود لها) يرتفع بصورة دراماتيكية وفق القانون الاحتمالي: FWER = 1 – (1 – α)ᶜ (حيث c يمثل عدد المقارنات الثنائية الممكنة). ففي حالة مقارنة ثلاث مجموعات (3 مقارنات)، يرتفع معدل الخطأ من 5% إلى أكثر من 14% تقريباً.

من هنا تنبع الضرورة المنهجية الحاسمة لاستخدام أساليب التحليل البعدي المصممة خصيصاً للاختبارات اللامعلمية، والتي تدمج آليات ضبط رياضي صارمة للتحكم في معدلات الخطأ مع الحفاظ على القوة الإحصائية الكافية لاكتشاف الفروق الزوجية الحقيقية بين التدخلات السلوكية والتصنيفات الميدانية.

8.2 اختبار دان (Dunn’s Test) وضبط بونفيروني (Bonferroni Correction)

يُعد اختبار دان (Dunn’s Test)، الذي طورته الإحصائية أوليف جين دان عام 1964، المعيار الذهبي المفضل عالمياً لإجراء المقارنات البعدية المتعددة عقب ثبوت دلالة اختبار كروسكال-واليس. يتميز اختبار دان باعتماده المباشر على متوسطات الرتب المستخرجة من الإدماج الكلي للبيانات في كروسكال-واليس، واستخدامه لتقدير التباين المجمع المشترك (Pooled Variance) لكافة البيانات بدلاً من إعادة حساب رتب جديدة لكل زوج على حدة.

يقوم اختبار دان على حساب الإحصاء المعياري الزائي (Z-statistic) لكل مقارنة زوجية بين المجموعتين i و j باستخدام الصيغة الرياضية التالية:

Z = | R̄ᵢ – R̄ⱼ | / √[ (N × (N + 1) / 12) × (1/nᵢ + 1/nⱼ) ]

حيث يمثل R̄ᵢ و R̄ⱼ متوسطات الرتب للمجموعتين المقارنتين. وللتحكم في معدل الخطأ الكلي، يتم تطبيق تصحيح بونفيروني (Bonferroni Adjustment)، والذي يقضي بقسمة مستوى الدلالة الاسمي (α = 0.05) على إجمالي عدد المقارنات الثنائية المحتملة c = k(k – 1) / 2؛ ليصبح مستوى الدلالة المعدل للمقارنة الواحدة هو: α_adjusted = 0.05 / 3 = 0.0167.

بتطبيق اختبار دان على بيانات دراسة الاكتئاب السابقة (حيث الخطأ المعياري المشترك للفروق بين المجموعات يساوي: SE = √[ (18 × 19 / 12) × (1/6 + 1/6) ] = √[ 28.5 × 0.3333 ] = √9.5 = 3.082):

• مقارنة CBT مقابل MBCT:
  
  Z = | 6.00 – 7.50 | / 3.082 = 1.50 / 3.082 = 0.487 (p = 0.626).
  
  النتيجة: لا توجد فروق دالة إحصائياً بين أسلوبي CBT و MBCT (حيث p > 0.0167).
• مقارنة CBT مقابل المجموعة الضابطة:
  
  Z = | 6.00 – 15.00 | / 3.082 = 9.00 / 3.082 = 2.920 (p = 0.0035).
  
  النتيجة: توجد فروق دالة إحصائياً قاطعة لصالح مجموعة CBT مقارنة بالمجموعة الضابطة (حيث p < 0.0167).
• مقارنة MBCT مقابل المجموعة الضابطة:
  
  Z = | 7.50 – 15.00 | / 3.082 = 7.50 / 3.082 = 2.433 (p = 0.0150).
  
  النتيجة: توجد فروق دالة إحصائياً لصالح مجموعة MBCT مقارنة بالمجموعة الضابطة (حيث p < 0.0167).

توضح هذه التحليلات البعدية الدقيقة أن كلا التدخلين العلاجيين (CBT و MBCT) كانا فعالين بشكل ملحوظ في خفض الاكتئاب مقارنة بالمجموعة الضابطة، مع عدم وجود تفوق إحصائي دال لأحدهما على الآخر.

8.3 اختبار مان-ويتني (Mann-Whitney U) كمقارنات ثنائية مخصصة

يلجأ بعض الباحثين في الممارسة الإحصائية إلى أسلوب بديل للمقارنات البعدية، يتمثل في إجراء سلسلة من اختبارات مان-ويتني (Mann-Whitney U Tests) المستقلة لكل زوج من المجموعات. في هذا الأسلوب، يتم عزل كل مجموعتين وتجاهل المجموعة الثالثة، وإعادة ترتيب البيانات وتعيين رتب جديدة خاصة بهاتين المجموعتين فقط لحساب قيمة U و Z المقابلة.

يشترط هذا المسار المنهجي تطبيق تصحيحات صارمة على قيم p-value الناتجة، مثل تصحيح بونفيروني أو طريقة بنجاميني-هوشبرغ (Benjamini-Hochberg FDR) الأكثر حداثة ومرونة، لمنع تضخم أخطاء النوع الأول. ومع ذلك، تشير أدبيات القياس والإحصاء السيكولوجي إلى أن اختبار مان-ويتني البعدي يعاني من عيب نظري يتمثل في تجاهله للمعلومات التوزيعية الكلية وحجم التباين الإجمالي الذي وفره نموذج كروسكال-واليس المدمج؛ إذ يُنشئ لكل مقارنة فضاءً رتبياً مستقلاً قد يختلف عن الرتب العامة للدراسة.

لذلك، تُجمع التوصيات الإحصائية المتقدمة على تفضيل اختبار دان (Dunn’s Test) أو اختبار دواس-ستيل-كريتشلو-فلينجر (DSCF Test) كخيارات أكثر اتساقاً وقوة منهجية للتحليلات البعدية عقب كروسكال-واليس، مع حصر استخدام اختبار مان-ويتني المصحح في الحالات التي يرغب فيها الباحث في مقارنة زوج محدد تم التخطيط لمقارنته مسبقاً (A Priori Planned Contrast) في التصميم البحثي.

9. حساب وتفسير حجم الأثر (Effect Size) لاختبار كروسكال-واليس

9.1 أهمية حساب حجم الأثر في الدراسات النفسية

شهدت منهجية البحث النفسي والسلوكي تحولاً نوعياً في العقود الأخيرة، متجاوزةً الاعتماد الحصري على مستوى الدلالة الإحصائية (p-value) نحو الإلزام المنهجي بتقدير ونشر حجم الأثر (Effect Size). يعود هذا التحول إلى حقيقة أن الدلالة الإحصائية تتأثر تأثراً كبيراً بحجم العينة؛ فالعينات الكبيرة جداً قد تجعل من أبسط الفروق الهامشية غير المفيدة دالة إحصائياً، بينما قد تؤدي العينات الصغيرة إلى إغفال تأثيرات علاجية بالغة الأهمية من الناحية السريرية.

تؤكد المعايير الإرشادية لـ الجمعية الأمريكية لعلم النفس (APA) على أن تقييم الجدارة العلمية لأي تدخل أو ظاهرة يتطلب إبراز حجم الأثر بوصفه مؤشراً كمياً موضوعياً يقيس قوة الظاهرة المدروسة أو المدى الحقيقي للفارق بين المجموعات بمعزل عن تقلبات حجم العينة. كما يُعد توثيق أحجام الأثر متطلباً لا غنى عنه لإجراء الدراسات التلوية والتحليلات البعدية التجميعية (Meta-analyses) التي تعتمد على تجميع نتائج الدراسات المستقلة ودمجها لتقييم الفاعلية الإجمالية للنماذج النفسية والتربوية عبر المجتمعات المختلفة.

9.2 معادلة إيتا تربيع القائمة على الرتب (Eta Squared – η²_H)

تُعد معادلة إيتا تربيع المعتمدة على إحصاء H (Eta Squared: η²_H) المقياس الأكثر شيوعاً واستخداماً لتقدير حجم الأثر في اختبار كروسكال-واليس. يعبر هذا المقياس عن النسبة المئوية للتباين في رتب المتغير التابع التي يمكن تفسيرها أو عزوها إلى تأثير مستويات المتغير المستقل (التصنيفي). وتُحسب هذه القيمة باستخدام الصيغة الرياضية التالية:

η²_H = (H – k + 1) / (N – k)

حيث يمثل H قيمة إحصاء كروسكال-واليس المحسوبة، و k عدد المجموعات، و N إجمالي حجم العينة الكلي. تتراوح قيمة η²_H نظرياً بين 0 و 1 (أو تُعبر كنسبة مئوية بين 0% و 100%).

لتفسير القوة العملية لحجم الأثر، يعتمد الباحثون على المحكات الإرشادية القياسية التي وضعها جاكوب كوهين (Jacob Cohen):

• أثر صغير (Small Effect): η²_H ≈ 0.01 (المتغير المستقل يفسر 1% من التباين الرتبي).
• أثر متوسط (Medium Effect): η²_H ≈ 0.06 (المتغير المستقل يفسر 6% من التباين الرتبي).
• أثر كبير (Large Effect): η²_H ≥ 0.14 (المتغير المستقل يفسر 14% فما فوق من التباين الرتبي الكلي).

تطبيق عملي: بالعودة إلى بيانات المثال التجريبي لعلاج الاكتئاب (حيث H = 9.79، k = 3، N = 18):

η²_H = (9.79 – 3 + 1) / (18 – 3) = (9.79 – 2) / 15 = 7.79 / 15 = 0.5193 (أي ما يعادل 51.9%).

يُشير هذا الرقم إلى حجم أثر بالغ الضخامة يتجاوز بكثير محك كوهين للأثر الكبير (0.14)؛ مما يعني أن ما يقرب من 52% من التباين الملاحظ في رتب درجات الاكتئاب يُعزى مباشرة إلى نوع التدخل العلاجي المطبق على المشاركين، وهو ما يمنح النتائج قيمة إكلينيكية وتطبيقية استثنائية.

9.3 معادلة إبسيلون تربيع (Epsilon Squared – ε²)

يُمثل معامل إبسيلون تربيع (Epsilon Squared: ε²) مقياساً بديلاً متقدماً لتقدير حجم الأثر في التصميمات اللامعلمية متعددة المجموعات. يتميز هذا المعامل بكونه تقديراً غير متحيز يصحح التضخم الطفيف الذي قد يظهر في معامل إيتا تربيع في العينات الصغيرة، ويقيس قوة الارتباط النسبي بين المتغيرين على المتصل الرتبي. وتتخذ المعادلة الرياضية لحساب إبسيلون تربيع الصيغة التالية:

ε² = H / [ (N² – 1) / (N + 1) ] = H / (N – 1)

تتميز الصيغة المبسطة ε² = H / (N – 1) بالدقة والسهولة المنهجية؛ حيث تقوم بقسمة قيمة إحصاء الاختبار مباشرة على أقصى قيمة ممكنة لدرجات حرية العينة الكلية. وتُطبق عليها نفس محكات التفسير الخاصة بكوهين المعتمدة لمؤشرات التباين المفسر.

تطبيق عملي على بيانات المثال السابق:

ε² = 9.79 / (18 – 1) = 9.79 / 17 = 0.5759 (أي 57.6%).

يتطابق هذا التقدير جوهرياً مع نتيجة إيتا تربيع، مؤكداً أن التدخلات السلوكية والمعرفية أحدثت تغييراً بنيوياً كبيراً في استجابات المرضى، ومقدماً دليلاً إحصائياً إضافياً يعزز الثقة في القيمة العلاجية للبرامج المطبقة.

10. تطبيق اختبار كروسكال-واليس باستخدام البرمجيات الإحصائية (SPSS, R, Python)

10.1 خطوات إجراء الاختبار وقراءة المخرجات في برنامج SPSS

يُعد برنامج IBM SPSS Statistics البيئة البرمجية الأكثر انتشاراً في الأوساط الأكاديمية لتحليل البيانات السيكولوجية والتربوية. لإجراء اختبار كروسكال-واليس في SPSS، يتم اتباع المسار الإجرائي المتقدم التالي:

1. من القائمة الرئيسية، نتوجه إلى: Analyze > Nonparametric Tests > Independent Samples.
2. في علامة التبويب Objective، نختار الخيار التلقائي: Automatically compare data across groups، أو ننتقل إلى Fields لتخصيص المتغيرات يدوياً.
3. في تبويب Fields: ننقل المتغير التابع الترتيبي (مثل درجات الاكتئاب BDI) إلى مربع Test Fields، وننقل المتغير المستقل التصنيفي (مثل نوع العلاج Group) إلى مربع Groups.
4. في تبويب Settings: نحدد الخيار Customize test ونختار Kruskal-Wallis 1-way ANOVA (k samples)، مع التأكد من تحديد خيار المقارنات البعدية التلقائية عبر ضبط خيار Multiple comparisons على: All pairwise لتنفيذ اختبار دان مع تصحيح بونفيروني تلقائياً. ثم نضغط Run.

تتضمن مخرجات SPSS جدولين رئيسيين: الأول هو Hypothesis Test Summary، والذي يعرض قيمة إحصاء الاختبار المحسوبة (Test Statistic)، ودرجات الحرية (df)، والقيمة الاحتمالية التقاربية (Asymptotic Sig. / p-value)، بالإضافة إلى التوصية الصريحة باتخاذ القرار (مثل: Reject the null hypothesis). أما الجدول الثاني التفصيلي (الذي يظهر بالنقر المزدوج على الملخص) فيعرض جدول Pairwise Comparisons متضمناً قيم Z المعيارية لكل زوج، وقيم الدلالة العادية (Sig.)، والأهم من ذلك قيم الدلالة المعدلة (Adjusted Sig.) وفق تصحيح بونفيروني، والتي يُعتمد عليها حصراً في اتخاذ القرارات البعدية.

10.2 تنفيذ الاختبار والتحليلات البعدية في لغة البرمجة R

توفر لغة البرمجة الإحصائية R بيئة حوسبية فائقة المرونة لتحليل البيانات المتقدمة وإجراء الاختبارات اللامعلمية وحساب أحجام الأثر وإنشاء الرسوم البيانية للنشر الأكاديمي. يتم تنفيذ التحليل المتكامل باستخدام الحزم البرمجية القياسية مثل stats و rstatix و ggplot2 عبر الخطوات التالية:

أولاً، يتم تشغيل الاختبار الأساسي باستخدام الدالة المدمجة kruskal.test() عبر تمرير الصيغة النموذجية التي تربط المتغير التابع بالمتغير المستقل في إطار البيانات:

kruskal_result <- kruskal.test(Depression_Score ~ Treatment_Group, data = df)

ثانياً، لتنفيذ المقارنات البعدية المتعددة باستخدام اختبار دان وضبط بونفيروني، نستخدم دالة dunn_test() من حزمة rstatix المتقدمة، والتي تتيح استخراج الفروق الزوجية بدقة مع قيم p المصححة تلقائياً:

posthoc_result <- df %>% dunn_test(Depression_Score ~ Treatment_Group, p.adjust.method = “bonferroni”)

ثالثاً، لحساب حجم الأثر الرتبي بدقة، توفر حزمة rstatix الدالة المتخصصة kruskal_effsize() التي تستخرج معاملات إيتا تربيع مع فترات الثقة عبر تقنية البوتستراب (Bootstrap):

eff_size <- df %>% kruskal_effsize(Depression_Score ~ Treatment_Group)

رابعاً، يُمكن بناء رسوم بيانية توضيحية احترافية باستخدام حزمة ggplot2 عبر رسم مخططات الصندوق (Boxplots) المتراكبة مع نقاط البيانات الفردية ومؤشرات الدلالة الإحصائية للمقارنات البعدية، مما يمنح التقرير البحثي قوة إيضاحية بصرية تتماشى مع متطلبات المجلات المصنفة عالمياً.

10.3 استخدام مكتبات بايثون (SciPy و statsmodels)

تُعد لغة بايثون (Python) أداة مركزية في علوم البيانات والتحليلات الحيوية والنفسية، وتوفر منظومة غنية من المكتبات العلمية المتخصصة لتنفيذ منظومة اختبار كروسكال-واليس بالكامل. يتم ذلك بالاعتماد على مكتبات scipy.stats و scikit-posthocs و seaborn وفق المسار التالي:

يتم تنفيذ الاختبار الأساسي عبر استدعاء دالة kruskal() من وحدة scipy.stats، وتمرير مصفوفات البيانات الخاصة بكل مجموعة على حدة كمعاملات للدالة:

from scipy import stats
h_stat, p_val = stats.kruskal(group_cbt, group_mbct, group_control)

ولإجراء المقارنات البعدية واختبارات دان المتعددة، تُستخدم مكتبة scikit-posthocs من خلال الدالة الاحترافية posthoc_dunn()، والتي تدعم كافة خيارات الضبط الإحصائي لمعدلات الخطأ:

import scikit_posthocs as sp
posthoc = sp.posthoc_dunn(df, val_col=’Depression_Score’, group_col=’Treatment_Group’, p_adjust=’bonferroni’)

تُتيح بايثون كذلك برمجة دوال مخصصة لأتمتة حساب معاملات حجم الأثر (η²_H و ε²)، وتوليد الرسوم البيانية والتوزيعات الاحتمالية باستخدام مكتبات Seaborn و Matplotlib لعرض مخططات الكمان (Violin Plots) ومخططات الصناديق التي تعكس تباين الرتب والوسائط بدقة جمالية عالية.

11. كتابة النتائج وتوثيقها وفقاً لمعايير الجمعية الأمريكية لعلم النفس (APA)

11.1 القواعد الإرشادية لتوثيق نتائج كروسكال-واليس بأسلوب APA الإصدار السابع

تفرض الجمعية الأمريكية لعلم النفس في دليلها المرجعي السابع (APA 7th Edition) معايير دقيقة لكتابة وتوثيق نتائج الاختبارات اللامعلمية لضمان الشفافية وقابلية تكرار النتائج. وتتطلب هذه المعايير تضمين العناصر الأساسية التالية في النص الأكاديمي:

• طريقة كتابة الرموز الإحصائية: يُكتب رمز إحصاء الاختبار كحرف كابيتال مائل H، متبوعاً بدرجات الحرية بين قوسين، ثم إجمالي حجم العينة الكلي N بين قوسين أو في سياق العبارة، وتكتب القيمة المحسوبة بدقة منزلتين عشريتين.
• الصيغة القياسية للتوثيق: تتخذ الصيغة الرياضية النصية النمط التالي: H(df) = XX.XX, p = .XXX, η²_H = .XX (مع إزالة الصفر الذي يسبق الفاصلة العشرية في قيمة p وحجم الأثر إذا كانت القيمة لا يمكن أن تتجاوز الواحد الصحيح).
• توثيق النزعة المركزية والتشتت: نظراً لأن اختبار كروسكال-واليس لا يعتمد على التوزيع الطبيعي، فإنه يُحظر الاكتفاء بذكر المتوسطات الحسابية والانحرافات المعيارية فقط؛ بل يجب إلزامياً توثيق الوسائط الحسابية (Medians – Mdn) والمدى الربيعي (Interquartile Range – IQR)، أو ذكر متوسطات الرتب (Mean Ranks) لكل مجموعة لتوضيح اتجاهات التمايز.
• توثيق المقارنات البعدية: يجب توثيق نتائج الاختبار البعدي بوضوح، مع تحديد نوع الاختبار المستخدم (مثل اختبار دان)، وقيمة Z المعيارية للمقارنة، ومستوى الدلالة الدقيق المصحح (Bonferroni-adjusted p-value).

11.2 نماذج نصية وجداول قياسية لعرض النتائج في الأوراق العلمية

فيما يلي نماذج نصية تطبيقية لكتابة نتائج اختبار كروسكال-واليس في تقارير البحوث ورسائل الماجستير والدكتوراه وفق معايير APA 7th:

نموذج التوثيق في حالة وجود فروق ذات دلالة إحصائية (رفض H₀):
“أُجري اختبار كروسكال-واليس لفحص الفروق في درجات أعراض الاكتئاب (BDI-II) عبر ثلاث مجموعات علاجية مختلفة (CBT، MBCT، والمجموعة الضابطة). كشفت النتائج عن وجود فروق ذات دلالة إحصائية جوهرية بين المجموعات العلاجية، H(2) = 9.79, p = .008, مع حجم أثر كبير بلغ η²_H = .52. أظهرت التحليلات الوصفية أن مجموعة العلاج السلوكي المعرفي سجلت أدنى وسيط لدرجات الاكتئاب (Mdn = 16.50, IQR = 6.75, متوسط الرتب = 6.00)، تلتها مجموعة العلاج باليقظة الذهنية (Mdn = 18.00, IQR = 7.25, متوسط الرتب = 7.50)، في حين سجلت المجموعة الضابطة أعلى وسيط لدرجات الاكتئاب (Mdn = 29.00, IQR = 7.00, متوسط الرتب = 15.00). وأسفرت المقارنات البعدية باستخدام اختبار دان مع تعديل بونفيروني عن وجود فروق دالة إحصائياً بين مجموعة CBT والمجموعة الضابطة (Z = 2.92, p_adj = .011)، وبين مجموعة MBCT والمجموعة الضابطة (Z = 2.43, p_adj = .045)، في حين لم تظهر فروق دالة إحصائياً بين مجموعتي CBT و MBCT (Z = 0.49, p_adj = 1.000).”

نموذج التوثيق في حالة عدم وجود فروق دالة إحصائياً (قبول H₀):
“أظهرت نتائج اختبار كروسكال-واليس عدم وجود فروق ذات دلالة إحصائية في مستويات الرضا الوظيفي بين الفئات العمرية الثلاث المدروسة، H(2) = 1.45, p = .484, η²_H = .01؛ حيث تقاربت وسائط المجموعات (الفئة الأولى: Mdn = 42.00؛ الفئة الثانية: Mdn = 40.50؛ الفئة الثالثة: Mdn = 44.00) ومجاميع رتبها، مما يشير إلى أن الفئة العمرية لا تؤثر تأثيراً جوهرياً على التقييم الترتيبي للرضا الوظيفي في هذه العينة.”

يوضح الجدول القياسي التالي التصميم المثالي لعرض البيانات وفق أسلوب APA:

جدول 1: ملخص نتائج اختبار كروسكال-واليس والتحليلات البعدية لدرجات الاكتئاب عبر المجموعات

المجموعة	حجم العينة (n)	الوسيط (Mdn)	المدى الربيعي (IQR)	متوسط الرتب	إحصاء H (df = 2)	الدلالة (p)	حجم الأثر (η²_H)
العلاج السلوكي المعرفي (CBT)	6	16.50	6.75	6.00	9.79	.008	.52
اليقظة الذهنية (MBCT)	6	18.00	7.25	7.50
المجموعة الضابطة (Control)	6	29.00	7.00	15.00

11.3 الأخطاء الشائعة في كتابة وتفسير نتائج الاختبار في البحوث النفسية

يقع العديد من الباحثين وطلاب الدراسات العليا في أخطاء منهجية وكتابية شائعة عند التعامل مع نتائج اختبار كروسكال-واليس، ومن أبرز هذه المزالق:

1. الاقتصار على الإبلاغ عن المتوسط الحسابي والانحراف المعياري: تجاهل كتابة الوسائط ومتوسطات الرتب يُمثل خللاً إبستمولوجياً؛ إذ إن الاختبار لم يبنَ على المتوسطات الحسابية، وعرض المتوسطات الملتوية يُعطي انطباعاً زائفاً حول تمركز البيانات.
2. إهمال توثيق حجم الأثر: الاكتفاء بذكر قيمة p-value وحدها دون تقديم تقدير كمي لحجم الأثر (η²_H أو ε²) يحرم القارئ من تقييم الأهمية العملية والعيادية للنتائج.
3. إجراء مقارنات ثنائية غير مصححة: استخدام اختبارات t أو مان-ويتني الثنائية دون ضبط بونفيروني أو الاعتماد على اختبار دان يؤدي إلى نتائج إيجابية كاذبة تُضلل الاستنتاج السيكولوجي.
4. الخلط بين الفروق في الوسائط والفروق في الرتب: الجزم بأن الاختبار يقارن الوسائط دون التحقق المسبق من تماثل أشكال التوزيعات التكرارية للمجموعات يُعد قفزاً استنتاجياً غير مبرر رياضياً.

12. التحديات والمحددات والاعتبارات المتقدمة في التطبيق

12.1 التعامل مع العينات الصغيرة جداً وتوزيع الرتب الدقيق

يرتكز استخراج القيمة الاحتمالية لإحصاء كروسكال-واليس (H) تقليدياً على افتراض التقارب مع توزيع مربع كاي التقريبي. غير أن هذا التقارب الرياضي يشترط كفاءة حجمية لا تقل فيها أحجام المجموعات الفرعية عن 5 مشاهدات (nᵢ ≥ 5). فعندما تقل أحجام المجموعات عن هذا الحد (كأن تكون n = 3 أو n = 4 كما في دراسات الحالات السريرية النادرة)، يصبح تقريب مربع كاي غير دقيق، وقد يؤدي إلى تقدير متساهل أو متشدد للدلالة الإحصائية.

في مثل هذه السيناريوهات ذات العينات متناهية الصغر، يتعين على الباحث الاعتماد على جداول الاحتمال الدقيق لكروسكال-واليس (Exact Probability Tables) التي تحسب كافة التباديل والتوافيق الممكنة لمنظومة الرتب، أو استخدام الاختبارات التباديلية التوزيعية (Permutation / Exact Tests) المتاحة في الحزم الإحصائية المتقدمة. تضمن هذه الطرق الدقيقة استخراج قيم دلالة احتمالية مطلقة وغير متحيزة تحمي القرارات الإكلينيكية من عيوب التقريب الرياضي.

12.2 تأثير عدم تجانس التباين واختلاف أشكال التوزيعات

على الرغم من تحرر اختبار كروسكال-واليس من افتراض اعتدالية التوزيع، إلا أنه يظل حساساً لعدم تجانس التشتت والتباين التوزيعي (Heteroscedasticity) عندما يترافق ذلك مع تباين حاد في أشكال التوزيع التكراري عبر المجموعات. إذا كانت إحدى المجموعات تتسم بانتشار وتشتت واسع للرتب بينما تتكدس رتب مجموعة أخرى في نطاق ضيق، فإن هذا التباين الشكلي يغير طبيعة الاختبار من مجرد فحص للفروق بين المواقع المركزية (Location Test) إلى فحص للهيمنة العشوائية العامة (Stochastic Dominance).

للتعامل مع هذه المعضلة، يُنصح بإجراء فحص أولي لتجانس التشتت الرتبي باستخدام اختبارات التشتت اللامعلمية، مثل اختبار أنصاري-برادلي (Ansari-Bradley) أو تطبيق اختبار ليفين على الرتب. وفي حال ثبوت تباين حاد في أشكال التوزيع، يتعين على الباحث التحلي بالحذر وتفسير النتائج بدقة في سياق “احتمالية تفوق رتب مجموعة على أخرى” بدلاً من التقرير الجازم باختلاف الوسائط الحسابية.

12.3 بدائل اختبار كروسكال-واليس في التصميمات المعقدة

يبرز أحد أهم القيود البنيوية لاختبار كروسكال-واليس في اقتصاره الحصري على التصميمات أحادية البعد ذات المتغير المستقل الواحد (One-Way Design)، وعجزه الرياضي عن التعامل مع التصميمات العاملية المعقدة (Factorial Designs) التي تشتمل على متغيرين مستقلين أو أكثر، أو تلك التي تتطلب فحص التفاعل الإحصائي المشترك (Interaction Effects) بين العوامل.

عند مواجهة تصميمات متعددة العوامل ببيانات لا معلمية، يلجأ الباحثون إلى بدائل منهجية متقدمة تشمل:

• تحليل شيرر-راي-هير (Scheirer-Ray-Hare Test): امتداد لامعلمي مباشر لتحليل التباين ثنائي الاتجاه (Two-Way ANOVA) قائم بالكامل على تحويل البيانات إلى رتب وتفكيك مجاميع مربعات التأثيرات الرئيسية والتفاعلية باستخدام توزيع مربع كاي.
• النماذج الخطية المعممة (Generalized Linear Models – GLMs): استخدام انحدار المربعات الصغرى الترتيبي (Ordinal Logistic Regression) الذي يتيح نمذجة المتغيرات التابعة الترتيبية مع متغيرات تفسيرية متعددة ومتفاعلة بدقة إحصائية فائقة.
• الأساليب الإحصائية القوية الحديثة (Modern Robust Statistics): مثل أساليب يوان وويلكوكس (Wilcox Robust Methods) القائمة على مقارنة المتوسطات المشذبة (Trimmed Means) واختبارات إعادة المعاينة (Bootstrapping)، والتي تجمع بين قوة النماذج البارامترية ومناعة الأساليب اللامعلمية في التصميمات التجريبية المتقدمة.

خاتمة

يُمثل اختبار كروسكال-واليس أداة منهجية وتحليلية رفيعة المستوى في ترسانة الباحث العلمي المعاصر؛ إذ يجمع بين البساطة الرياضية والمناعة الإحصائية الفائقة في معالجة البيانات المعقدة، والترتيبية، وغير المتماثلة التي تفيض بها ميادين العلوم النفسية والتربوية والطبية. ومن خلال نقل فضاء التحليل من المقاييس الكمية الخام إلى منظومة الرتب النسبية، استطاع الاختبار تجاوز القيود الصارمة للاختبارات البارامترية، مقدماً بديلاً استدلالياً متيناً يضمن سلامة الاستنتاجات العلمية وموثوقيتها.

لقد أوضح هذا الدليل أن التطبيق الرصين لاختبار كروسكال-واليس لا يقتصر على مجرد إجراء التعويض الرياضي واستخراج قيمة H؛ بل هو مسار منهجي متكامل يبدأ بالتحقق الصارم من الافتراضات التوزيعية واستقلالية الملاحظات، ويمر بالصياغة الدقيقة للفرضيات الإحصائية وتطبيق التعديلات الحسابية للرتب المتطابقة، ويتكامل عبر إجراء المقارنات البعدية المنضبطة (كـ اختبار دان المصحح) وتقدير أحجام الأثر المعيارية (كـ إيتا تربيع وإبسيلون تربيع)، وصولاً إلى التوثيق الأكاديمي الشفاف وفق معايير APA العالمية.

إن استيعاب الباحثين لهذه الأبعاد النظرية والتطبيقية، وتمكنهم من توظيف البرمجيات الحديثة (SPSS, R, Python) بكفاءة، يشكل الضمانة الأساسية للارتقاء بجودة البحوث السيكولوجية والسلوكية، وتحويل البيانات الرقمية إلى أدلة علمية صلبة تسهم بفاعلية في فهم الظواهر الإنسانية وتطوير الممارسات الإكلينيكية والتربوية في مجتمعاتنا.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490481
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Tomczak, M., & Tomczak, E. (2014). The need to report effect size estimates revisited: An overview of some recommended measures of effect size. Trends in Sport Sciences, 21(1), 19–25.
• Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press.